कृत्रिम तंत्रिका नेटवर्क और जैविक तंत्रिका नेटवर्क समान और भिन्न कैसे हैं?

Question

मैंने कई बार सुना है कि "तंत्रिका नेटवर्क मानव मस्तिष्क को मॉडल करने के लिए सबसे अच्छा अनुमान है", और मुझे लगता है कि यह आमतौर पर ज्ञात है कि तंत्रिका नेटवर्क हमारे मस्तिष्क के बाद मॉडलिंग करते हैं।

मुझे दृढ़ता से संदेह है कि इस मॉडल का सरलीकरण किया गया है, लेकिन कितना?

कितना, कहते हैं, वेनिला एनएन मानव मस्तिष्क के बारे में हम क्या जानते हैं से अलग है? क्या हमें भी पता है?

Comments

बड़ा सवाल है। बहुत कुछ कहा जा सकता है, यहाँ मनोविज्ञान

— एंड्रयू बटलर

मैंने सोचा कि यह एक सवाल है जिसका जवाब ai.SE में दिया जाना चाहिए। इसके अलावा मैं उत्सुक हूँ!

— एंड्रियास स्टॉरविक स्ट्रोमैन

कृत्रिम न्यूरॉन्स और जैविक न्यूरॉन्स बहुत समान हैं। उनके कनेक्शन का आकार भी समान है, हालांकि जैविक न्यूरॉन्स के उनके अंतर्वेशन में कई जटिलताएं हैं जो काफी हद तक अज्ञात हैं। हालांकि, उन न्यूरॉन्स का उपयोग काफी अलग है, यह कहना है, यही कारण है कि उन्हें नेटवर्क में जोड़ा जाता है और नियोजित किया जाता है। ANN का उपयोग कार्यों को अनुमानित करने और समस्याओं को हल करने के लिए किया जाता है। जबकि केवल भगवान ही जानता है कि बीएनएन वे क्यों हैं और पहली जगह में उनका उद्देश्य क्या है। तो, नहीं एक बहुत ही दिलचस्प सवाल है, मुझे लगता है कि ...

— एव्गेनि

Answer 1

कैसे कृत्रिम तंत्रिका नेटवर्क (ANN) जैविक तंत्रिका नेटवर्क (BNN) से अलग हैं, आप क्या देख रहे हैं पर निर्भर करता है। हम सभी जानते हैं कि एएनएन जैविक लोगों से प्रेरित हैं।
संरचनात्मक अंतर: सामान्य तौर पर, एक तंत्रिका नेटवर्क में चार घटक होते हैं:

• न्यूरॉन्स
• टोपोलॉजी: न्यूरॉन्स के बीच संपर्क पथ
• वजन
• एल्गोरिथ्म सीखना

कृत्रिम तंत्रिका नेटवर्क के मामले में प्रारंभिक अवस्था और वजन यादृच्छिक रूप से असाइन किए जाते हैं । जबकि जैविक तंत्रिका नेटवर्क के लिए न्यूरॉन्स और कनेक्शन की संरचना के बीच कनेक्शन की ताकत यादृच्छिक रूप में शुरू नहीं होती है। प्रारंभिक अवस्था आनुवांशिक रूप से व्युत्पन्न होती है और यह विकासवाद का उपोत्पाद है ।
बीएनएन में मस्तिष्क में असंख्य न्यूरॉन्स के बीच अंतरसंबंधों से सीख मिलती है। जब मस्तिष्क नई उत्तेजनाओं का अनुभव करता है तो ये आपस में विन्यास बदल देते हैं । परिवर्तन नए कनेक्शन में परिणाम, मौजूदा कनेक्शन और पुराने और अप्रयुक्त लोगों को हटाने की को मजबूत बनाने ।
एएनएन को निश्चित टोपोलॉजी का उपयोग करके खरोंच से प्रशिक्षित किया जाता है(बीएनएन के मामले में टोपोलॉजी परिवर्तन याद रखें), जो समस्या के हल होने पर निर्भर करता है। वर्तमान तंत्र एएनएन के टोपोलॉजी को नहीं बदलता है और वजन को अनुकूलन एल्गोरिथ्म के माध्यम से यादृच्छिक रूप से प्रारंभिक और समायोजित किया जाता है।

एक अन्य विपरीत नेटवर्क में न्यूरॉन्स की संख्या में है। एक विशिष्ट एएनएन में सैकड़ों, या शायद हजारों, न्यूरॉन्स होते हैं; मानव मस्तिष्क के जैविक तंत्रिका नेटवर्क में अरबों होते हैं । यह संख्या पशु से पशु में भिन्न होती है।
आप यहां और यहां पा सकते हैं ।

Comments

क्या कनेक्शन की ताकत आनुवंशिक रूप से निकाली गई है? क्या अापको उस बारे में पूर्ण विशवास है?

— दत्ता

प्रारंभ में, एक नवजात बच्चे की कनेक्शन ताकत आनुवंशिक रूप से निर्धारित की जाती है। उसके बाद वे ज्यादातर बाहरी उत्तेजनाओं के आधार पर बदलते हैं।

— उगन्स

कृत्रिम तंत्रिका नेटवर्क तय टोपोलॉजी तक सीमित नहीं हैं (देखें NEAT, TWEANN, आदि)

— एंड्रयू बटलर

छवि मान्यता के लिए एक ANN निश्चित रूप से सिर्फ हजारों न्यूरॉन्स से कई अधिक है। कई लाखों शायद।

— मआर्टिनस

मैंने आज प्राप्त सामान्य एएनएन पर आधारित उत्तर लिखा, सर्वश्रेष्ठ एएनएन पर विचार नहीं किया। प्रौद्योगिकी में सुधार के साथ, ANN भी सुधार कर रहे हैं; BNNs के करीब जा रहा है। इनका उल्लेख करने के लिए धन्यवाद, एंड्रयूबटलर और मारार्टिनस।

— उगन्स

Answer 2

वे करीब नहीं हैं, अब और नहीं!

[कृत्रिम] तंत्रिका जाल अस्पष्ट रूप से उन कनेक्शनों से प्रेरित होते हैं जिन्हें हमने पहले एक मस्तिष्क के न्यूरॉन्स के बीच देखा था। प्रारंभ में, संभवतः जैविक दिमागों के लिए ANN को विकसित करने का इरादा था। हालांकि, आधुनिक कामकाजी एएनएन जिन्हें हम विभिन्न कार्यों में उनके अनुप्रयोगों को देखते हैं, हमें एक पशु मस्तिष्क का कार्यात्मक मॉडल प्रदान करने के लिए डिज़ाइन नहीं किया गया है। जहाँ तक मुझे पता है, कोई दावा नहीं है कि वे एक जैविक मस्तिष्क में कुछ नया पाया है, तो आइए एक सीएनएन या आरएनएन मॉडल के कनेक्शन और वजन वितरण को देखते हुए।

Comments

जबरदस्त हंसी। मैं सहमत हूँ। उनमें जो एक चीज समान है, वह यह है। वे शब्द के सबसे अमूर्त अर्थ में सर्किट हैं। एक और बात हो सकती है। प्रकृति ने सामान बनाने की कोशिश की और हम उभरे। फिर हमने सामानों का एक गुच्छा आज़माया और XNN उभरे (जहाँ X A, C, या N में से एक है)। दोनों जाल बड़ी संख्या में विफलताओं का परिणाम हैं।

— फॉच्रिशियन

Answer 3

आर्टिफिशियल न्यूरल नेटवर्क्स का सामान्य कथन जो दिमाग की तंत्रिका संरचना से प्रेरित है, केवल आंशिक रूप से सच है।

यह सच है कि नॉर्बर्ट वीनर, क्लाउड शैनन, जॉन वॉन न्यूमन, और अन्य लोगों ने व्यावहारिक एआई की ओर रास्ता शुरू किया, जिसे उन्होंने तब इलेक्ट्रॉनिक मस्तिष्क कहा था। यह सच भी है

• कृत्रिम नेटवर्क में सक्रियण नामक कार्य होते हैं,
• जैविक न्यूरॉन्स जैसे कई-से-कई रिश्तों में तार-तार हो चुके हैं, और
• एक इष्टतम व्यवहार सीखने के लिए डिज़ाइन किया गया है,

लेकिन यह समानता की हद है। कृत्रिम नेटवर्क जैसे कि MLP (बहुपरत अवधारणात्मक) या RNN (आवर्तक तंत्रिका नेटवर्क) की कोशिकाएं मस्तिष्क के नेटवर्क में कोशिकाओं की तरह नहीं होती हैं।

परसेप्ट्रोन, सक्रिय होने वाली चीजों के सरणियों में पहला सॉफ्टवेयर स्टैब, न्यूरॉन्स की एक सरणी नहीं थी। यह ग्रेडिएंट्स को शामिल करने वाली बुनियादी प्रतिक्रिया का अनुप्रयोग था, जो तब से इंजीनियरिंग में आम उपयोग में था जब जेम्स वाट के सेंट्रीफ्यूगल गवर्नर द्वारा गणितीय रूप से गॉस द्वारा मॉडलिंग की गई थी। क्रमिक सन्निकटन, एक सिद्धांत जो सदियों से उपयोग में था, वृद्धिशील मैट्रिक्स को अद्यतन करने के लिए नियोजित किया गया था। मैट्रिक्स को वेक्टर के द्वारा आउटपुट उत्पन्न करने के लिए समान सक्रियण कार्यों की एक सरणी खिलाकर गुणा किया गया था। बस।

मल्टी-लेयर टोपोलॉजी के लिए दूसरे आयाम में प्रोजेक्शन को इस अहसास से संभव बनाया गया कि जैकबियन को एक सुधारात्मक संकेत उत्पन्न करने के लिए इस्तेमाल किया जा सकता है, जो परतों के लिए नकारात्मक प्रतिक्रिया के रूप में उचित रूप से वितरित होने पर, एक अनुक्रम के क्षीणन मैट्रिक्स को ट्यून कर सकता है। अवधारणात्मक और संपूर्ण के रूप में नेटवर्क संतोषजनक व्यवहार में परिवर्तित होगा। परसेप्ट्रॉन के अनुक्रम में, प्रत्येक तत्व को एक परत कहा जाता है। प्रतिक्रिया तंत्र को अब वापस प्रसार कहा जाता है।

नेटवर्क को सही करने के लिए उपयोग किए जाने वाले गणित को ग्रेडिएंट डिसेंट कहा जाता है क्योंकि यह पानी खोजने के लिए इलाके की ढाल का उपयोग करने वाले निर्जलित अंधे आदमी की तरह है, और ऐसा करने के मुद्दे भी समान हैं। वह ताज़े पानी को खोजने और जलयोजन के बजाय मृत्यु पर अभिसरण करने से पहले एक स्थानीय मिनीमा (निम्न बिंदु) पा सकता है।

नए टोपोलॉजी डिजिटल इमेज रिस्टोरेशन, मेल सॉर्टिंग और ग्राफिक्स एप्लीकेशन में उपयोग किए गए पहले से विद्यमान कन्वोकेशन वर्क के जोड़ हैं। टोपोलॉजी का गण परिवार।

दीप ज्यादातर एआई संदर्भों में कई के लिए एक पर्याय है। यह कभी-कभी उच्च स्तर की टोपोलॉजी (वेक्टर-मैट्रिक्स उत्पादों के ऊपर, सक्रियण और दृढ़ संकल्प) में जटिलता को प्रभावित करता है।

सक्रिय शोध उन लोगों द्वारा चल रहे हैं जो जानते हैं कि स्तनधारी मस्तिष्क के ऊतकों में दशकों पहले तंत्रिका वैज्ञानिकों ने जो खोज की है, उससे ये गहरे नेटवर्क कितने अलग हैं। और आज और अधिक विभेदकों की खोज की जा रही है क्योंकि मस्तिष्क में लर्निंग सर्किटरी और न्यूरो-केमिस्ट्री की जांच जीनोमिक दृष्टिकोण से की जाती है।

• तंत्रिका प्लास्टिसिटी ... डेन्ड्राइट और स्वयंसिद्ध विकास, मृत्यु, पुनर्निर्देशन और अन्य अपक्षय के कारण सर्किट टोपोलॉजी में परिवर्तन
• सामयिक जटिलता ... बड़ी संख्या में स्वयंसिद्ध बातचीत के बिना विखंडन करते हैं और जानबूझकर क्रॉस-टॉक (स्वतंत्र) से परिरक्षित होते हैं, क्योंकि यह उन्हें जोड़ने के लिए हानिकारक होगा ^{[नोट 1]}
• रासायनिक संकेतन ... स्तनधारी दिमागों में दर्जनों न्यूरो-ट्रांसमीटर और न्यूरो-रेगुलेशन कंपाउंड होते हैं जिनका सर्किटरी पर क्षेत्रीय प्रभाव होता है ^{[नोट 2]}
• ऑर्गेनेल ... जीवित कोशिकाओं में कई उप-बाधाएं होती हैं और यह ज्ञात है कि कई प्रकार के न्यूरॉन्स में सिग्नल ट्रांसमिशन के साथ जटिल संबंध हैं
• सक्रिय रूप से अलग-अलग रूप ... सामान्य कृत्रिम तंत्रिका जाल में सक्रियता केवल सीमा और डोमेन दोनों के लिए क्रमिक स्केलर के साथ कार्य करती है ... स्तनधारी न्यूरॉन्स आने वाले संकेतों के आयाम और सापेक्ष अस्थायी निकटता के एक समारोह के रूप में कार्य करते हैं ^{[नोट 3]}

[१] टोपोलॉजी विडंबना है कि वास्तुकला का एक उपसमुच्चय (भवन निर्माण डिजाइन, नेटवर्क प्रावधान, WWW विश्लेषण और अर्थ नेटवर्क के क्षेत्र में), फिर भी एक ही समय में टोपोलॉजी दोनों AI के कट्टरपंथी केंद्र में वास्तुकला की तुलना में बहुत अधिक है। नियंत्रण प्रणालियों में गणित और प्रभावी प्राप्ति

[२] रसायन विज्ञान की भूमिका सामाजिक और प्रजनन व्यवहार सीखने के लिए आवश्यक हो सकती है जो डीएनए सूचना प्रसार के साथ परस्पर क्रिया करती है, एक पारिस्थितिकी तंत्र और मस्तिष्क के स्तर पर सीखने के जटिल तरीकों से जुड़ती है। इसके अलावा, दीर्घकालिक और अल्पावधि अधिगम मस्तिष्क की शिक्षा को दो अलग क्षमताओं में भी विभाजित करता है।

[३] जैविक न्यूरॉन सक्रियण पर आने वाले संकेतों के समय के प्रभाव को कुछ हद तक समझा जाता है, लेकिन यह न्यूरॉन आउटपुट की तुलना में बहुत अधिक प्रभाव डाल सकता है। यह व्यवहार्यता और रसायन विज्ञान को भी प्रभावित कर सकता है, और ऑर्गेनेल उस में एक भूमिका निभा सकता है।

सारांश

मशीन लर्निंग लाइब्रेरी क्या करते हैं, मानव मस्तिष्क का उतना ही अनुकरण करते हैं जितना कि बार्बी और केन गुड़िया एक वास्तविक युगल का अनुकरण करते हैं।

बहरहाल, गहन सीखने के क्षेत्र में उल्लेखनीय चीजें पैदा हो रही हैं, और यह मुझे आश्चर्यचकित नहीं करेगा अगर स्वायत्त वाहन हमारे जीवनकाल में पूरी तरह से स्वायत्त हो जाते हैं। मैं किसी भी छात्र को डेवलपर बनने की सलाह नहीं दूंगा। कंप्यूटर शायद मनुष्यों की तुलना में बेहतर कोड और तीव्रता के आदेशों को तेजी से और संभवतः जल्द ही कोड करेंगे। कुछ कार्य उस प्रकार के नहीं हैं, जिसे करने के लिए जीव विज्ञान विकसित हुआ है और कंप्यूटर केवल कुछ दशकों के अनुसंधान के बाद मानव क्षमताओं को पार कर सकता है, अंततः परिमाण के कई आदेशों द्वारा मानव प्रदर्शन को पार कर सकता है।

Comments

कार चलाने और कंप्यूटर की प्रोग्रामिंग में काफी अंतर होता है। कार चलाना एक अच्छी तरह से परिभाषित कार्य है, इसलिए इसे एक फ़ंक्शन सन्निकटन समस्या के रूप में व्यक्त करने का एक तरीका हो सकता है, जिसके कारण तंत्रिका नेटवर्क में झंकार हो सकती है। इनपुट के आधार पर कार नियंत्रण का उपयोग करने का कार्य मौजूद है और हो सकता है। approximated। कंप्यूटर की प्रोग्रामिंग करना वास्तव में एक कार्य नहीं है, यह निर्णय का एक क्रम है जो किसी स्थिति के बारे में सोचते समय करता है। यह मुसीबतों को समस्याओं में बदलने की एक कला है।

— एव्गेनि